искусственный интеллект и искусственный разум в робототехнике
Заставь машину думать: как развивают искусственный интеллект у роботов
Понятие искусственного интеллекта неразрывно связано с робототехникой. По сути, робот — машина, умеющая воспринимать окружающую действительность, ее интерпретировать и действовать соответствующим образом, то есть думать.
Появление терминов «робот» и «искусственный интеллект» сильно разнесено по времени (1921 и 1956 годы соответственно), а за последние полвека пути развития двух областей то сходились, то расходились. Но сейчас прогресс вычислительных мощностей, солидный объем практических наработок и доступность информации вынуждают эти дисциплины вновь объединиться, пишут аналитики Сбербанка в ежегодном обзоре рынка робототехники за 2019 год.
В определении авторов исследования ИИ — это способность программ и устройств интерпретировать данные, обучаться на них и использовать полученные знания для достижения целей, в том числе самостоятельно. В свою очередь ИИ делится на два типа:
Сегодня, пишут аналитики Сбербанка, сильного ИИ в природе пока не существует и вообще есть обоснованные сомнения в возможности его реализации. Поэтому искусственный интеллект сейчас и в ближайшем будущем — это слабый ИИ, занимающийся отдельными проблемами и задачами. Решить их помогает набор технологий, сгруппированный авторами доклада по пяти видам.
Технологии искусственного интеллекта
1. Компьютерное зрение
Это обработка визуальной информации для получения знаний. Базовая задача внутри этой технологии — детектирование объекта на изображениях и видео, то есть осознание того, что на одной фотографии в углу изображен автомобиль, а на другой — компьютер, клавиатура и телефон. В робототехнике результаты обнаружения объектов дают роботу понимание, что и как делать, а также способствуют его обучению.
Логическим продолжением детектирования является трекинг, то есть вначале объект обнаружен, затем начинается отслеживание его перемещений. Роботам это нужно, чтобы понимать визуальную сцену и учиться прогнозировать действия других объектов, что незаменимо, например, для беспилотных автомобилей.
Другие задачи компьютерного зрения — это сегментация изображения (понимание, где пол, где стена, а где дверь) и оценка глубины. Последнее подразумевает понимание расстояния до того или иного объекта и решается восстановлением трехмерной геометрии по серии двухмерных фотоснимков.
2. Обработка естественного языка
Коммуникация с человеком невозможна без понимания его языка. Специалисты в области ИИ разбирают по частям отдельные морфемы, даже эмоциональный окрас слов в тексте, зашивая это в программу. Роботы нуждаются в таких технологиях, для них это как диалоговое окно с человеком, причем речь идет не просто о понимании, но и об ответной реакции и обучении новым понятиям.
3. Речевая аналитика
Если обработка языка касается текстовой информации, то речевая аналитика — звуковой. В первую очередь это распознавание речи, которое к 2019 году уже прочно вошло в быт людей. Следующий шаг — синтез речи, совершенствование голосовых качеств самого робота и/или программы до уровней человеческого общения.
4. Принятие решений
По-другому эту технологию можно назвать автоматизацией процессов, когда они проходят без участия человека. Поскольку опять же мы говорим о слабом ИИ, заточенном под решение отдельных задач, технологии принятия решений являются едва ли не самыми понятными по своему назначению. Авторы обзора выделяют несколько сфер применения таких технологий:
Разумеется, такие технологии должны применяться совместно с другими: самостоятельная навигация вместе с компьютерным зрением, а эмоции — вместе с речевой аналитикой.
5. Рекомендательные системы
Отдаленно эта технология схожа с принятием решений, но аналитики Сбербанка выделили ее отдельным пунктом. Причина — потенциал широкого применения именно рекомендательных систем в сервисной робототехнике. Речь идет о предложении товаров и услуг, таргетированной рекламе, подборке кинофильмов и музыки. Применительно же к роботам технология может привести к распространению роботов-официантов или продавцов-консультантов.
Настоящее и будущее
Многие из указанных выше технологий уже применяются в робототехнике, причем не только в прототипах, но и в массовом производстве. Наибольший путь на данный момент пройден в областях компьютерного зрения и обработки естественного языка — другими словами, в распознавании визуальной и текстовой информации.
Уже сейчас существуют роботизированные системы, успешно применяющие те или иные наработки в области искусственного интеллекта. К самым известным аналитики Сбербанка относят три типа роботов:
В будущем развитие робототехники будет происходить в первую очередь за счет более широкого и глубокого внедрения ИИ, а не совершенствования материально-технической базы, уверены авторы обзора. Перспективы развития рынка они разделяют на краткосрочные и долгосрочные, правда, конкретных дат не называют.
1. Краткосрочные инновации:
Как работают искусственный интеллект, машинное и глубокое обучение
Об авторе: Андрей Беляев, технический директор (CTO) исследовательской компании Neurodata Lab.
Умные дома, самоуправляемые автомобили, роботы-помощники… Нас окружают инновационные технологии, в основе которых лежат алгоритмы, по своей специфике напоминающие работу человеческого мозга. Их называют по-разному: алгоритмы с использованием машинного обучения, глубокого обучения, а иногда и вовсе искусственный интеллект (ИИ).
В чем разница между этими названиями?
Все задачи, которые может решать человек или компьютер, можно условно разделить на две категории: рутинные и нерутинные.
К рутинным задачам можно отнести те, где достаточно просто найти универсальный путь решения: например, сложение чисел или измерение температуры воздуха.
Искусственным интеллектом сейчас принято называть все, что способно решать нерутинные задачи на уровне, близком к человеческому, а иногда и лучше. Такие задачи окружают нас везде. Камеры над дорогой вычисляют скорость автомобиля, распознают его знак и высылают штраф, а системы безопасности в метро и аэропортах находят преступников в толпе. Все это сегодня принято считать искусственным интеллектом, хотя в действительности алгоритмы, лежащие в основе каждой такой технологии, уникальны. И только некоторые используют машинное обучение.
Получается, что машинное обучение — это обучение ИИ
Искусственный интеллект — это название не какого-то отдельного алгоритма, но скорее группы методов, которыми пользуются для решения различного рода задач. Алгоритмы, которые используют подходы с обучением, являются лишь одной из подгрупп всего того множества алгоритмов, что принято называть искусственным интеллектом.
Машинное обучение — это подход, при котором алгоритм «учится» решать задачу. Один из самых простых примеров алгоритма, использующего машинное обучение, это классификация фотографий на те, где изображены кошки и те, где есть собаки:
Допустим, есть несколько тысяч фотографий кошек и несколько тысяч — собак. Эти данные можно загрузить в алгоритм и заставить его «учиться» отличать кошек от собак, «ругая» за ошибки в классификации и «поощряя» за правильные ответы. В зависимости от количества и качества вводных данных, а также от сложности используемого алгоритма после некоторого количества итераций с «наказанием» и «поощрением», получается обученный алгоритм, которой с разным качеством умеет отличать кошек и собак.
Применяя методы машинного обучения, эти же алгоритмы можно «натренировать» и для выполнения более сложных задач — таких как поиск людей на кадре, определение пола и возраста человека и т.д.
Такие алгоритмы можно научить решать задачи любой сложности?
В теории — да. Но на практике мы сталкиваемся с большим количеством проблем, начиная от недостаточного количества данных для обучения, заканчивая невозможностью интерпретировать действия человека при решении такой же задачи. Получается, что невозможно построить алгоритм, который эти действия бы совершал. Хороший пример — автопилотируемый автомобиль. Научить машину держать полосу, входить в повороты и автоматически перестраивать маршрут, если на дороге ремонт, сравнительно несложно, потому что есть понимание, как вел бы себя человек (а значит, как должна вести себя машина) в таких ситуациях.
Однако научить автомобиль принимать решения в чрезвычайных ситуациях гораздо сложнее: проблема в том, что и самому человеку трудно понять, как именно надо поступать в том или ином экстренном случае. Поэтому человек не может показать алгоритмам примеры хорошего и плохого поведения для таких случаев.
А что насчет глубокого обучения? Чем оно отличается от машинного?
Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи). В глубоком обучении используются те же подходы: алгоритму дают много данных и «ругают» его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети.
Нейронные сети? Как те, что в мозгу у человека?
Такое сравнение действительно часто используется. Нейронная сеть — это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или структуры нейронов), которые учатся выделять важные элементы на изображениях, например шерсть у кошки или собаки; есть те, которые учатся делать выводы, исходя из выделенных элементов — например, если у животного длинные лапы, то, скорее всего, это собака. Эти нейроны объединяются в группы (слои), а они превращаются в единую искусственную нейронную сеть.
И все же можно как-то сравнить процессы внутри нейросети с деятельностью мозга?
Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей — это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.
Если говорить упрощенно, смысл этой сверточной нейронной сети в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком. Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение: видим мы, допустим, кошку или собаку.
А как происходит процесс обучения?
Процесс обучения алгоритма во многом напоминает процесс обучения человека. Как мы совершаем ошибки и учимся на них (например, что не стоит засовывать руку в кипящую воду), так и алгоритмы, использующие машинное обучение, совершают ошибки, за что получают штраф.
Как работает нейросеть? В качестве примера можно рассмотреть процесс обучения нейросети распознаванию лиц. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить, за что мы будем ее штрафовать. Применительно к этой задаче необходимо собрать несколько десятков фотографий лиц для каждого из людей, которых надо определить, и штрафовать нейросеть за то, что предсказанный ею человек не совпадает с человеком на фотографии.
Что значит «поощрять» и «штрафовать» нейросеть?
С математической точки зрения нейросеть — это функция с большим количеством параметров. Штрафование этой функции за неверное определения лица — это когда мы, упрощенно говоря, корректируем работу функции таким образом, чтобы в будущем она меньше ошибалась. Соответственно, поощрение нейросети — это когда мы ее просто не штрафуем.
Во всех примерах вы рассказываете про конкретные задачи. А можно ли нейросеть научить думать, как человек?
Это уже скорее философский вопрос. Мыслительный процесс напрямую связан с наличием сознания. Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Нейросеть, которую учили отличать кошек и собак, не сможет отличить медведя от слона, ведь она даже не знала, что такие существуют. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.
Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.
Чем отличается искусственный интеллект (ИИ) от робототехники?
Робототехника — часть ИИ илиИИ — часть робототехники? В чем разница между этими двумя терминами? Мы ответим на этот вопрос!
Робототехника и искусственный интеллект служат совсем разным целям. Однако люди часто путают их. Многие люди задаются вопросом, является ли робототехника подмножеством искусственного интеллекта или это одно и то же.
Первое, о чем следует сказать, — это то, что робототехника и искусственный интеллект — это совсем не то же самое. Фактически, эти двеобласти почти полностью разделены.
Диаграмма Венна из них будет выглядеть так:
Мы предполагаем, что люди путают эти два понятия из-за перекрытия между ними: искусственно интеллектуальные роботы.
Чтобы понять, как эти три термина связаны друг с другом, давайте посмотрим каждый из них индивидуально.
Что такое робототехника?
Робототехника — это отрасль технологии, которая занимается роботами. Роботы — это программируемые машины, которые обычно могут выполнять серию действий автономно или полуавтономно.
На наш взгляд, есть три важных фактора, которые определяют робота:
Существует много мнений о том, что представляет собой «робот». Некоторые эксперты говорят, что робот должен уметь «думать» и принимать решения. Однако стандартного определения «робототехнического мышления» нет. Требование робота «думать» предполагает, что у него есть определенный уровень искусственного интеллекта.
Робототехника включает в себя проектирование, создание и программирование физических роботов. Лишь небольшая его часть связана с искусственным интеллектом.
Что такое искусственный интеллект?
Искусственный интеллект (ИИ) — это отрасль информатики. Она включает разработку компьютерных программ для выполнения задач, которые требуют человеческий интеллект. Алгоритмы ИИ могут решать вопросы обучения, восприятия, решения проблем, понимания языка и / или логических рассуждений.
ИИ используется во многих отношениях в современном мире. Например, алгоритмы ИИ используются в поиске Google, в программе рекомендаций Amazon и в поисковых системах SatNav. Большинство программ ИИ не используются для управления роботами.
Даже когда ИИ используется для управления роботами, алгоритмы ИИ являются лишь частью более крупной роботизированной системы, которая также включает в себя датчики, исполнительные механизмы и программирование без ИИ.
Часто ИИ предполагает определенный уровень машинного обучения, когда алгоритм «обучен» реагировать определенным образом на определенный вход, используя известные входы и выходы.
Ключевым аспектом, который отличает ИИ от более обычного программирования, является слово «интеллект». Программы без ИИ просто выполняют определенную последовательность инструкций. Программы с ИИ имитируют некоторый уровень человеческого интеллекта.
Что такое искусственно интеллектуальные роботы?
Искусственно интеллектуальные роботы — это мост между робототехникой и искусственным интеллектом. Это роботы, которые контролируются программами ИИ. Многие роботы не используют ИИ. До недавнего времени все промышленные роботы были запрограммированы только для проведения повторяющихся серий движений. Как мы уже говорили, повторяющиеся движения не требуют искусственного интеллекта.
Неинтеллектуальные роботы довольно ограничены в своей функциональности. Алгоритмы ИИ часто необходимы, чтобы робот мог выполнять более сложные задачи.
Давайте посмотрим примеры.
Пример 1: Робот без ИИ
Например, вы можете легко запрограммировать робота, чтобы забрать объект и поместить его в другое место. Робот будет продолжать выбирать и размещать объекты одинаково, пока вы не отключите его. Это автономная функция, так как робот не требует человеческого вмешательства после того, как вы его запрограммировали. Однако задача не требует никакого интеллекта.
Пример 2: Искусственно интеллектуальный робот
Представьте, что вы хотели добавить камеру к вашему роботу. Взгляд робота подпадает под категорию «восприятия» и обычно требует алгоритмов ИИ.
Например, скажем, вы хотите, чтобы робот обнаружил объект, который он собирал, и поместил его в другое место в зависимости от типа объекта. Это предполагает подготовку специализированной программы видения для распознавания различных типов объектов.
Искусственный интеллект, машинное обучение и глубокое обучение: в чём разница
Компьютер запросто диагностирует рак, управляет автомобилем и умеет обучаться. Почему же машины пока не захватили власть над человечеством?
Мы пользуемся Google-картами, позволяем сайтам подбирать для нас интересные фильмы и советовать, что купить. И, в общем-то, слышали, что под капотом всех этих умных вещей — искусственный интеллект, машинное обучение и deep learning. Но сможете ли вы с ходу отличить одно от другого? Разбираемся на примерах.
Что такое искусственный интеллект
Искусственный интеллект (англ. artificial intelligence) — это способность компьютера обучаться, принимать решения и выполнять действия, свойственные человеческому интеллекту.
Кроме того, ИИ — это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.
В области искусственного интеллекта есть подразделы. К ним относятся робототехника, наука о компьютерном зрении, обработка естественного языка и машинное обучение.
Хотите знать, может ли машина мыслить и чувствовать как человек? Приходите на курс «Философия искусственного интеллекта». Здесь вы получите новые знания об ИИ, обсудите актуальные вопросы с преподавателями и однокурсниками и прокачаете навык публичных выступлений.
Пишет про digital и машинное обучение для корпоративных блогов. Топ-автор в категории «Искусственный интеллект» на Medium. Kaggle-эксперт.
Каким бывает искусственный интеллект
Исследователи обычно делят ИИ на три группы:
Слабый ИИ (Weak, или Narrow AI)
Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:
Это несколько примеров, в реальности применений намного больше.
Сильный ИИ (Strong, или General AI)
Как выглядел бы сильный искусственный интеллект, можно увидеть в игре Detroit: Become Human.
Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.
Суперинтеллект (Superintelligence)
Суперинтеллект мы не только не создали, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей. Проще говоря, что-то из области фантастики.
Машинное обучение: как учится ИИ
Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.
Чтобы машина могла принимать решения, необходимы три вещи:
В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.
Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.
А ещё есть нейронные сети, о них вы наверняка слышали. Они относятся к методам глубокого машинного обучения, и об этом чуть подробнее.
Deep learning: глубокое обучение для разных целей
Глубокое обучение — подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные (размеченные) данные.
Самый популярный, но не единственный метод глубокого обучения, — искусственные нейронные сети (ИНС). Они больше всего похожи на то, как устроен человеческий мозг.
Нейронные сети — это набор связанных единиц (нейронов) и нейронных связей (синапсов). Каждое соединение передаёт сигнал от одного нейрона к другому, как в мозге человека. Обычно нейроны и синапсы организованы в слои, чтобы обрабатывать информацию. Первый слой нейросети — это вход, который получает данные. Последний — выход, результат работы. Например, несколько категорий, к одной из которых мы просим отнести то, что было отправлено на вход. И между ними — скрытые слои, которые выполняют преобразование.
По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат. Можно научить нейросеть классифицировать изображения или находить на изображении нужный объект. Помните, как reCAPTCHA просит найти все изображения грузовиков или светофоров, чтобы доказать, что вы не робот? Нейронная сеть выполняет то же самое, что и наш мозг, — видит знакомые элементы и понимает: «О, кажется, это грузовик!»
А ещё нейросети могут генерировать объекты: музыку, тексты, изображения. Например, компания Botnik скормила нейросети все книги про Гарри Поттера и попросила написать свою. Получился «Гарри Поттер и портрет того, что выглядит как огромная куча пепла». Звучит немного странно, но как минимум с точки зрения грамматики это сочинение имеет смысл.
Сегодня нейронные сети могут применяться практически для любой задачи. Например, при диагностике рака, прогнозировании продаж, идентификации лиц в системах безопасности, машинных переводах, обработке фотографий и музыки.
Чтобы обучить нейросеть, нужны гигантские наборы тщательно отобранных данных. Например, для распознавания сортов огурцов нужно обработать 1,5 млн разных фотографий. Не получится просто слить рандомные картинки или текст из интернета — их нужно подготовить: привести к одному формату и удалить то, что точно не подходит (например, мы классифицируем пиццу, а в наборе данных у нас фото грузовика). На разметку данных — подготовку и систематизацию — уходят тысячи человеко-часов.
Чтобы создать новую нейросеть, требуется задать алгоритм, прогнать через него все данные, протестировать и неоднократно оптимизировать. Это сложно и долго. Поэтому иногда проще воспользоваться более простыми алгоритмами — например, регрессией.
Подведём итоги
Искусственный интеллект — одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.
Машинное обучение — одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.
А глубокое обучение — лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя подспудно, с помощью данных.
Если чувствуете, что вас привлекает проектирование машинного интеллекта, продолжить образование можно на нашем курсе. Вы научитесь писать алгоритмы, собирать и сортировать данные и получите престижную профессию Data Scientist — специалист по машинному обучению.